Jak transkrybować spotkania Zoom za pomocą AI: konfiguracja i przewodnik po API

Automatyczne rozpoznawanie mowy zamienia dźwięk ze spotkań Zoom w tekst dla twojego zespołu — bez ręcznego robienia notatek. Dzięki systemowi Speech to Text w czasie rzeczywistym twoja firma może udostępniać transkrypcje na żywo osobom, którym trudniej śledzić rozmowę lub które mają problemy ze słuchem.

Technologia STT w czasie rzeczywistym znacznie rozwinęła się w ciągu ostatnich trzech lat, a wbudowane narzędzie Zoom było stopniowo ulepszane, by zmniejszać wskaźnik błędów słów (WER). Zespoły szukające rozwiązań o niskich opóźnieniach mogą jednak osiągnąć jeszcze niższy WER dzięki wyspecjalizowanym narzędziom Speech to Text takim jak te dostępne w ElevenLabs.

Ten przewodnik pokazuje, jak transkrybować spotkania Zoom za pomocą wbudowanych narzędzi i rozwiązań innych firm. Omawia natywne opcje, kroki dla różnych metod, obsługę nagrań zapisanych w chmurze oraz tworzenie własnych pipeline’ów dla bardziej złożonych zastosowań.

Podsumowanie

• Transkrypcja oparta na AI obsługuje ponad 90 języków i akcentów, ułatwiając współpracę w czasie rzeczywistym międzynarodowym zespołom.
• Pracownicy mogą używać wbudowanych narzędzi lub rozwiązań innych firm do transkrypcji spotkań Zoom w trakcie lub po zapisaniu dźwięku.
• Napisy na żywo Zoom są bezpłatne we wszystkich planach, ale większość pozostałych wbudowanych funkcji transkrypcji wymaga płatnego konta Workplace.
• Deweloperzy używają WebSocketów ElevenAPI do tworzenia własnych aplikacji z niskimi opóźnieniami w transkrypcji w czasie rzeczywistym.

Jak transkrybować spotkania Zoom

Transkrypcja spotkania Zoom zamienia wypowiedziane słowa w tekst z możliwością wyszukiwania, znacznikami czasu i etykietami mówców. Zaawansowane narzędzia uwzględniają też nakładające się wypowiedzi i zakłócenia, takie jak dźwięk alarmu przeciwpożarowego czy dzwoniący telefon.

Firmy wykorzystują informacje z transkrypcji do tworzenia raportów ze spotkań, aktualizowania baz wiedzy i programów szkoleniowych dla nowych pracowników. Pracownicy przeszukują też transkrypcje, aby znaleźć kluczowe informacje — na przykład potwierdzić termin ważnego projektu lub sprawdzić decyzję podjętą na spotkaniu, które opuścili.

Trzy główne metody transkrypcji to:

• Transkrypcja w czasie rzeczywistym: Wbudowane narzędzia generują napisy na żywo podczas rozmów, ale do funkcji takich jak przechowywanie w chmurze i pobieranie transkrypcji nagrań z chmury potrzebujesz płatnego konta.
• Transkrypcja po spotkaniu: Natywne narzędzia lub rozwiązania innych firm mogą tworzyć transkrypcje z plików audio zapisanych w chmurze albo pobranych.
• Własne pipeline’y API: Własne rozwiązania dają deweloperom pełną kontrolę i pozwalają przesyłać dźwięk rozmowy na żywo bezpośrednio do aplikacji, które go wykorzystują.

Na wybór najlepszej aplikacji do transkrypcji spotkań wpływają budżet, używane narzędzia i wymagania techniczne. Pamiętaj o tych priorytetach, analizując dostępne opcje.

Jak włączyć transkrypcję w Zoom

Zoom oferuje wbudowaną transkrypcję w czasie rzeczywistym i automatyczne napisy. Napisy są wyświetlane podczas rozmów, a na płatnych kontach pełne transkrypcje spotkań mogą trafiać bezpośrednio do „My Notes”. Na ich podstawie można tworzyć raporty i automatyczne podsumowania po zakończeniu rozmowy.

Napisy na żywo

Aby włączyć transkrypcję podczas spotkań Zoom Workplace, potrzebujesz danych administratora. 

Oto jak to zrobić:

1. Zaloguj się do portalu internetowego Zoom.
2. Przejdź do Account Management i kliknij Account Settings.
3. Przejdź do karty Meeting i przewiń do sekcji In Meeting (Advanced). 
4. Włącz Automated captions.
5. Kliknij kartę Recording i włącz Cloud Recording.
6. Zaznacz pole Create Audio Transcript, aby po spotkaniu automatycznie tworzyć pliki tekstowe z transkrypcją.

Transkrypcje na żywo z AI Zoom

Narzędzie Zoom AI Companion może szybko tłumaczyć 46 języków i transkrybować w czasie rzeczywistym. Aby je skonfigurować, wykonaj te proste kroki:

1. Użyj danych administratora, aby otworzyć portal internetowy Zoom.
2. Włącz lub wyłącz dla:
3. 1. Wszystkich użytkowników konta: przejdź do Admin Center i kliknij Settings, aby wprowadzić odpowiednie zmiany. 
   2. Wybranych użytkowników: przejdź do Admin Center i kliknij Users, a następnie Group.
   3. Konta osobistego w sekcji Settings.
3. Kliknij Zoom AI i skonfiguruj funkcje transkrypcji, których chcesz używać.

Jak transkrybować nagrania Zoom po spotkaniu

Po zakończeniu spotkania możesz zapisać transkrypcję, konwertując dźwięk zapisany przez Zoom w chmurze.

Dwie popularne opcje to przetwarzanie istniejących nagrań przez natywny eksport z chmury Zoom lub przesłanie zapisanych plików audio na platformę AI, taką jak ElevenLabs. 

Natywny eksport nagrań z chmury Zoom

Zoom Workplace transkrybuje spotkania bez wysyłania dźwięku poza platformę Zoom i bez botów innych firm. Platforma używa też diarizacji mówców, aby automatycznie rozpoznawać i oznaczać osoby mówiące, tworząc uporządkowane transkrypcje nawet dla większych grup.

Nagrywanie w chmurze Zoom automatycznie tworzy pliki transkrypcji do pobrania po zakończeniu rozmowy. Mogą być dostępne od razu lub do 24 godzin po spotkaniu. Użytkownicy płatnych kont mają też dostęp do plików tekstowych ze znacznikami czasu bezpośrednio w portalu.

Aby pobrać plik transkrypcji spotkania Zoom, wykonaj te kroki:

1. Zaloguj się na konto w portalu internetowym Zoom.
2. W lewym menu nawigacyjnym znajdź Recordings.
3. Wybierz spotkanie, dla którego chcesz utworzyć transkrypcję.
4. Kliknij Download obok pliku Audio Transcript.
5. Zapisz dokument VTT w wybranej lokalizacji.

Jeśli podczas spotkania na żywo klikniesz Save Transcript zamiast nagrywać do chmury, Zoom zapisze plik tekstowy na twoim komputerze. Znajdziesz go w folderze Documents/Zoom.

Automatyczna transkrypcja wsadowa ElevenAPI 

Zoom obsługuje 46 języków podczas spotkań, ale tylko 19 języków w transkrypcjach po spotkaniu. To może nie wystarczyć zespołom międzynarodowym i działającym za granicą. 

Z tych i innych powodów deweloperzy oraz zespoły produktowe wybierają ElevenAPI, aby uzyskać szybką i dokładną transkrypcję w ponad 90 językach. Nasz model Scribe v2 przetwarza dźwięk i tworzy znaczniki czasu na poziomie słów, zachowując przypisanie do mówców.

Aby przetworzyć dźwięk z chmury przez ElevenAPI, wykonaj te kroki:

1. Znajdź plik MP4 lub M4A w pamięci chmurowej albo folderze lokalnym.
2. Dodaj nagranie audio do ElevenCreative lub wyślij je bezpośrednio do endpointu ElevenAPI Scribe.
3. Pobierz tekst z etykietami mówców i znacznikami czasu w wybranym formacie, np. TXT, DOCX, PDF lub JSON.

Tworzenie transkrypcji Zoom na żywo z ElevenAPI

Deweloperzy o bardziej złożonych zastosowaniach lub potrzebujący automatyzacji dopasowanej do swoich potrzeb wybierają rozwiązania innych firm, takie jak ElevenAPI. Nasza platforma oferuje dwie architektury streamingu do integracji transkrypcji na żywo z własnymi aplikacjami.

Obie pozwalają tworzyć transkrypcje w czasie rzeczywistym z niskimi opóźnieniami przez WebSockets, więc właściwy wybór zależy od zastosowania i potrzeb w zakresie bezpieczeństwa.

Streaming po stronie klienta

Jak wskazuje nazwa, to rozwiązanie wdrażasz po stronie klienta, aby transkrybować dźwięk. Streaming po stronie klienta przechwytuje dźwięk bezpośrednio z mikrofonu lub przez wirtualne urządzenie audio w przeglądarce. Wbudowane mechanizmy zabezpieczeń chronią dane przed ujawnieniem klucza API w kodzie frontendu. Na przykład serwer backendu generuje tymczasowe tokeny jednorazowe do połączeń po stronie klienta, które automatycznie wygasają po 15 minutach.

Aby skonfigurować streaming po stronie klienta:

1. Poproś serwer backendu o token jednorazowy.
2. Przekaż token jednorazowy do oficjalnego SDK React lub JavaScript.
3. Skonfiguruj połączenie WebSocket i wysyłaj dźwięk z mikrofonu bezpośrednio do API.

Streaming po stronie serwera

W tym przypadku wdrażasz rozwiązanie po stronie serwera, aby transkrybować dźwięk. Streaming po stronie serwera pobiera dźwięk ze strumienia spotkania, adresu URL lub pliku. W odróżnieniu od streamingu po stronie klienta używasz klucza API ElevenLabs zamiast tymczasowego, a dźwięku z adresów URL nie trzeba ręcznie dzielić na fragmenty.

Aby skonfigurować streaming po stronie serwera:

1. Skonfiguruj bota spotkań lub serwer backendu, aby przechwytywał strumień audio rozmowy Zoom albo jego adres URL.
2. Użyj SDK Python lub TypeScript, aby ustanowić połączenie WebSocket za pomocą głównego klucza API.
3. Przesyłaj dźwięk na żywo albo przekaż multimedia z adresu URL do endpointu Scribe Realtime przez integrację z ffmpeg.
4. Wykorzystaj transkrypcje w swoich systemach, np. do aktualizowania CRM-ów, baz wiedzy i webhooków po rozmowie.

Kiedy wybrać streaming po stronie klienta, a kiedy po stronie serwera

Wybierz streaming po stronie klienta dla narzędzi desktopowych lub spotkań w przeglądarce, gdy aktywny użytkownik może ręcznie udzielić uprawnień do mikrofonu. Przejdź na streaming po stronie serwera, jeśli potrzebujesz pełnej automatyzacji, np. botów spotkań działających bez nadzoru i bezpośrednich integracji. Streaming po stronie serwera eliminuje też potrzebę aktywnej sesji przeglądarki podczas przechwytywania dźwięku i pobierania transkrypcji.

Dlaczego transkrypcja oparta na AI sprawdza się w globalnych zespołach

Rozproszone zespoły mierzą się z wyjątkowymi wyzwaniami podczas współpracy między kulturami, językami i strefami czasowymi. Rozpoznawanie mowy oparte na AI pomaga wszystkim być na bieżąco, zamieniając dźwięk rozmów w uporządkowane treści z możliwością wyszukiwania. Uczestnicy mogą dzięki temu śledzić rozmowę, a upoważnione osoby wracać do notatek po spotkaniu.

Oto przykłady, jak transkrypcja oparta na AI pomaga globalnym zespołom:

• Przełączanie języków w rozmowie: Dokładna transkrypcja, nawet gdy uczestnicy używają różnych lub wielu języków podczas jednej rozmowy
• Rozpoznawanie mowy z akcentem: Rozumie niestandardową wymowę i regionalne akcenty
• Asynchroniczne dzielenie się wiedzą: Tworzy dokumenty tekstowe, dzięki którym członkowie zespołu mają dostęp do notatek i podsumowań, gdy spotkania odbywają się o niewygodnych dla nich godzinach
• Diarizacja wielu mówców: Dokładnie wskazuje, kto co powiedział, zapewniając właściwą rozliczalność
• Elastyczna integracja z workflow: Od eksportowania transkrypcji do formatów, które bazy danych i inne systemy mogą rozumieć i przetwarzać

Traktuj te funkcje jako standard przy wyborze rozwiązania do transkrypcji, ale pamiętaj, że nawet wśród opcji opartych na AI nie wszystkie generatory transkrypcji Zoom spełniają te obietnice. Przed podjęciem decyzji sprawdź specyfikację produktu i benchmarki, aby mieć pewność, że wybrane rozwiązanie spełni potrzeby firmy oraz wymogi regulacyjne.

Zacznij korzystać z ElevenAPI, aby szybko tworzyć dokładne transkrypcje

Jeśli, jak większość deweloperów pracujących z AI i transkrypcją spotkań, potrzebujesz wiodącej w branży dokładności oraz narzędzi, które naprawdę dopasujesz do swoich potrzeb, ElevenAPI jest dla ciebie. Daje programowy dostęp do naszych zaawansowanych modeli rozpoznawania mowy, dzięki czemu możesz tworzyć pipeline’y transkrypcji o preferowanym poziomie automatyzacji. 

Nasz model Scribe v2 napędza ElevenAPI i umożliwia diarizację nawet 32 uczestników. Niezależnie od tego, czy potrzebujesz wsadowego przetwarzania po spotkaniu, czy niskich opóźnień w streamingu na żywo przez WebSockets, wystarczy kilka szybkich kroków, aby skonfigurować nasze szybkie i bezpieczne rozwiązanie Speech to Text:

1. Zaloguj się na swoje konto ElevenLabs.
2. Kliknij Developers na pasku bocznym i przejdź do karty API Keys , aby wygenerować nowy klucz.
3. Przechowuj klucz API bezpiecznie, np. w pliku .env, aby chronić dane uwierzytelniające przed ujawnieniem we frontendzie.
4. Dodaj oficjalne SDK Python lub TypeScript do środowiska programistycznego za pomocą pip install elevenlabs lub npm install @elevenlabs/elevenlabs-js.
5. Wywołaj endpoint Scribe v2 dla nagranych plików audio albo połącz się z WebSocketem Scribe Realtime v2 dla dźwięku rozmowy na żywo.

Szczegółowe instrukcje znajdziesz w dokumentacji API ElevenLabs lub zarejestruj się po klucz API i zacznij tworzyć.

Najczęstsze pytania o transkrypcję spotkań Zoom